time-based learning method based on new error formula

src/forward.jl

@@ -11,7 +11,6 @@ using ..types, ..snn_utils
 """ Model forward()
 """
 function (m::model)(input_data::AbstractVector)
-    # m.global_tick += 1
     m.timeStep += 1
 
     # process all corresponding KFN
@@ -31,7 +30,6 @@ function (kfn::kfn_1)(m::model, input_data::AbstractVector)
     kfn.timeStep = m.timeStep
     kfn.softreset = m.softreset
     kfn.learningStage = m.learningStage
-    kfn.error = m.error
 
     # generate noise
     noise = [GeneralUtils.randomChoiceWithProb([true, false],[0.5,0.5])
@@ -101,8 +99,8 @@ function (n::lif_neuron)(kfn::knowledgeFn)
         # last only 1 timestep follow by a period of refractory.
         n.recSignal = n.recSignal * 0.0
     
-        # Exponantial decay of v_t1
-        n.v_t1 = n.v_t * n.alpha^(n.timeStep - n.lastFiringTime) # or n.v_t1 = n.alpha * n.v_t
+        # decay of v_t1
+        n.v_t1 = n.alpha * n.v_t
     else
         n.recSignal = sum(n.w_rec .* n.z_i_t)  # signal from other neuron that this neuron subscribed
     
@@ -142,8 +140,8 @@ function (n::alif_neuron)(kfn::knowledgeFn)
         n.a = (n.rho * n.a) + ((1 - n.rho) * n.z_t)
         n.recSignal = n.recSignal * 0.0
     
-        # Exponantial decay of v_t1
-        n.v_t1 = n.v_t * n.alpha^(n.timeStep - n.lastFiringTime) # or n.v_t1 = n.alpha * n.v_t
+        # decay of v_t1
+        n.v_t1 = n.alpha * n.v_t
         n.phi = 0
     else
         n.z_t = isnothing(n.z_t) ? false : n.z_t
@@ -187,8 +185,8 @@ function (n::linear_neuron)(kfn::T) where T<:knowledgeFn
         # last only 1 timestep follow by a period of refractory.
         n.recSignal = n.recSignal * 0.0
     
-        # Exponantial decay of v_t1
-        n.v_t1 = n.v_t * n.alpha^(n.timeStep - n.lastFiringTime) # or n.v_t1 = n.alpha * n.v_t
+        # decay of v_t1
+        n.v_t1 = n.alpha * n.v_t
     else
         n.recSignal = sum(n.w_rec .* n.z_i_t)  # signal from other neuron that this neuron subscribed